基于用戶軌跡數(shù)據(jù)的周期活動模式挖掘.pdf

1、隨著位置定位技術(shù)的快速發(fā)展，人們?nèi)粘Ｉ钪蟹e累了大量的軌跡數(shù)據(jù)。用戶歷史移動軌跡中蘊含著大量的信息，軌跡數(shù)據(jù)挖掘技術(shù)已經(jīng)引起了很多專家學(xué)者的重視，成為當(dāng)前的研究熱點之一。對用戶的歷史軌跡進行挖掘，不僅可以發(fā)現(xiàn)用戶日?；顒拥哪Ｊ剑€可以發(fā)現(xiàn)一些更高層次的信息。周期活動模式是用戶生活中最容易出現(xiàn)的活動模式，通過對用戶周期活動模式的挖掘可以進一步了解用戶的活動習(xí)慣及相關(guān)愛好。本文主要研究如何通過用戶的歷史軌跡數(shù)據(jù)來發(fā)現(xiàn)用戶的周期活動模式。

2、r>　　針對周期活動挖掘中面臨的時空數(shù)據(jù)采樣頻率不確定、數(shù)據(jù)稀疏、時空數(shù)據(jù)噪聲等問題，本文提出一種基于概率統(tǒng)計模型的方法來挖掘用戶的周期活動模式。由于周期活動本身具有復(fù)雜性、多周期交叉性及周期長度不確定等特點，本文周期活動模式的挖掘方法分為三個步驟。第一個步驟，對用戶的歷史軌跡進行預(yù)處理，得到用戶的停留點序列；第二個步驟，對得到的停留點集合進行聚類分析，并使用興趣度計算公式對聚類結(jié)果進行興趣度計算，得到用戶的重要興趣點；第三個步驟，針對

3、每個興趣點，對用戶的歷史軌跡進行重構(gòu)，將用戶的軌跡序列轉(zhuǎn)化成二進制序列，然后使用基于概率統(tǒng)計的周期長度探測方法探測每個興趣點對應(yīng)的周期長度，最后將同周期長度的興趣點進行層次聚類，挖掘出用戶的周期活動模式。
　　本文給出的周期活動模式挖掘的方法和傳統(tǒng)的周期活動發(fā)現(xiàn)算法相比有兩個優(yōu)勢：一個是可以自動探測周期的長度，不需要根據(jù)用戶的經(jīng)驗進行參數(shù)預(yù)設(shè)置。另一個是本文使用的是基于概率統(tǒng)計的周期長度檢測算法，該算法可以較好的處理數(shù)據(jù)稀疏的問題